Kontraktive Regularisierung stärkt Convolutional NODEs gegen Rauschen
Neues arXiv‑Paper (ID 2508.11432v1) zeigt, wie Convolutional Neural Ordinary Differential Equations (NODEs) durch kontraktive Regularisierung robuster gegen Eingaberauschen und Angriffe werden können. Die Autoren nutzen die Theorie der Kontraktion, die garantiert, dass zwei Trajektorien eines dynamischen Systems, die aus unterschiedlichen Startwerten starten, sich exponentiell annähern. Dadurch bleiben die Ausgaben eines kontraktiven NODEs bei kleinen Störungen stabil.
